2018_Interpretable Credit Application Predictions With Counterfactual Explanations

APythonC APythonC 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 200平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄7年
关注
原创 最新推荐文章于 2026-11-13 22:47:49 发布 200 阅读 AI 写同款· GEO 优化 ›
归因分析笔记5:机器学习可解释性 可解释的机器学习 电子书《可解释的机器学习（Interpretable Machine Learning）》。 在线阅读 https://christophm.github.io/interpretable-ml-book/index.html GitHub： https://github.com/christophM/interpretable-ml-book 该书认为特征被认为是可解释的，比如给定一天的温度或一个人的身高。特征的可解释性是一个很大的假设。但是，如果很难理解输入特征，那么就更难 阅读详情

记录一些因果可解释性方面的论文，以及其对 KT 的启发

在这里插入图片描述

收录于
因果可解释性

当前文章被收录于：

因果可解释性
3 篇文章 0 人学习
订阅专栏 查看详情
标签
#神经网络 #深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
2. Netty使用JSerialComm进行串口读取（二） 现在开始处理这些问题 第一个问题：串口读取超时异常一路传播到最后也没有处理。 ​ 第二个问题：即使处理了该异常，程序仍然退出，这不能满足一些实际使用要求需求。该问题与设置很长的读取超时时间没关系，无论多长到时间后总会退出。 阅读详情

相关推荐

usb设备的定位信息获取

一个usb hub有20个口，每个口有一个标号，那么如果一个为X的标号插入了一个android设备，如何通过函数，得到这个X，代码实现如下，获取了location， 得到类似 Port_#0002.Hub_#0003 的字符串，然后，要对应一个表。

babytiger的专栏 2106

可解释性机器学习：从入门到实战

机器学习的巨大成功导致AI应用的爆炸式增长。 研究人员已经将AI用于了各种任务。 不断持续的进步有望产生一个自主系统，它能够感知，学习，做出决策和采取独立行动。 但是，这些系统如果无法向人类解释为何作出这样的决策，那么它们的有效性将会受到限制。如果用户要理解，信任和有效管理新兴的人工智能”合作伙伴“，那么可解释的AI将至关重要。

林夕 1万+

告别手动拖拽！PyQt5/PyQt6 QTableView列宽自适应窗口的三种实战方案（附性能对比）

本文详细介绍了PyQt5/PyQt6中QTableView列宽自适应窗口的三种实战方案，包括Stretch模式、resizeEvent手动计算和ResizeToContents模式，并附有性能对比。帮助开发者解决窗口大小变化时列宽不变的常见问题，提升用户体验和开发效率。

weixin_42538752的博客 235

【人工智能系列经典图书翻译】可解释机器学习（第二版） 参考文献

参考文献

欲穷千里目，更上一层楼 1293

云计算虚拟化实验（一）——虚拟机软件VMware的安装以及虚拟机系统的安装（Windows7+CentOS7）

主要内容： 1、虚拟机软件的安装（以VMware为例） 2、虚拟机系统的安装（Window7 + CentOS7） 3、虚拟主机网络互访 4、不同局域网内的虚拟主机互访（软路由——海蜘蛛） 0 ——首先介绍一下什么是虚拟化？ 虚拟化，是指通过虚拟化技术将一台计算机虚拟为多台逻辑计算机。在一台计算机上同时运行多个逻辑计算机，每个逻辑计算机可运行不同的操作系统，并且应用程序都可以在

gg_asd的博客 1万+

告别时钟树平衡噩梦：在Innovus中巧妙设置stop/ignore pin来优化分段时钟网络

本文深入探讨了在Innovus工具中利用stop/ignore pin优化分段时钟树网络的高阶技巧。针对数字IC后端设计中的时钟树平衡难题，详细解析了特殊引脚属性的战略应用场景和配置方法，帮助工程师有效解决SoC设计中复杂的时钟结构问题，显著提升时序收敛效率。

weixin_30836759的博客 294

标准化状态通道的架构与 Counterfactual

频繁的交易使的以太坊虚拟机变得越来越慢，交易费也越来越高。当下，大多数建立在以太坊上的应用都是通过更新链上合约的存储变量来实现，用户需要支付交易费并花一定时间等待区块确认。 当然，这也是低效的。为了使用应用，我们要求用户手动将数据库更新提交至世界上最安全的、分布式的、无需信任的。。。1999 年老式手机（译者注：意为当前的以太坊就像 1999 年的老式手机）。 值得庆幸的是，有一个更好的方...

跨链技术践行者 1万+

SAP 未清PO数量 = 采购订单数量 - 已收货数量

本文介绍了SAP系统中查询未清PO数量的6种方法：1.标准采购报表(ME2L/ME2M/ME2N)适合业务用户快速查询；2.物料需求报表(MD04)可查看单个物料的供需情况；3.SQVI快速查询器提供自定义字段的灵活性；4.ABAP报表适合开发人员处理复杂逻辑；5.SAPQuery经配置后可供业务用户使用；6.BI/HANA方案适合大数据量分析。每种方法各有优缺点，用户可根据自身技术水平和具体需求选择，日常查询推荐使用标准采购报表ME2L/ME2M。

金牌架构师 1866

python torch 自定义神经网络NN

经过epochs次训练，每次epoch训练多个batch_size个样本，Loss逐渐减少。自定义全连接神经网络需要继承Model，重写__init__ 和forward方法。

frt的博客 243

Android 9.0 延时开机动画解决首次开机黑屏和去掉android正在启动的提示框

在9.0的系统产品rom定制化开发中，在一些产品中会出现在首次开机的时候，由于在开机动画播放完以后会出现几秒短暂的黑屏情况，然后进入默认Launcher，这在产品体验上 也是感觉到有点差，所以会要求在去掉这个首次开机黑屏的效果，和在启动过程中的 android is starting这个提示框的这些效果优化，接下来就分析下相关功能， 然后实现这个功能的开发

安卓兼职framework和app工程师的博客 3246

R语言coxph函数对加权数据集进行竞争风险模型拟合、regplot包的regplot函数可视化竞争风险回归模型的列线图nomogram、计算特定病例的事件概率（控制了竞争风险的累计事件概率）

R语言coxph函数对加权数据集进行竞争风险模型拟合、regplot包的regplot函数可视化竞争风险回归模型的列线图nomogram、计算特定病例的事件概率（控制了竞争风险的累计事件概率）

statistics+insight+vista+power 360

神经网络与深度学习笔记_Day6

神经网络与深度学习笔记_Day6，包含 ANN案例、CNN概述、卷积层 与 池化层。 写于2026/02/12。

ZZHow Blog 343

【WRF教程第3.5期】预处理系统 WPS 详解：以4.5版本为例

预处理系统 WPS 详解：以4.5版本为例

WW、forever的博客 1422

基于神经网络的机器人导航系统的设计与执行！

基于神经网络的机器人导航系统，本质上是一个“感知-规划-控制”的闭环。它的核心优势在于强大的泛化能力和端到端的简洁性，能够处理传统几何方法难以解决的复杂场景（如密集人群、非结构化地形）。

m0_65595995的博客 237

SAP B1中文培訓教材_SDK

公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

2027年神经网络、智能信息与数据科学国际会议（NNIDS 2027）

2027年神经网络、智能信息与数据科学国际会议（NNIDS 2027）将在中国·合肥举行，会议围绕神经网络、智能信息处理与数据科学等研究方向展开学术交流，关注人工智能算法、数据分析技术以及智能信息系统的发展。

Yangxshy的博客 207

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

Pytorch 【5】神经网络基础（nn.Module、卷积层、池化层、线性层）

前面我们学习了张量Tensor、自动求导Autograd，这两个是Pytorch最底层的基石。在真实项目中，我们不会手动去写大量求导逻辑，torch.nn模块封装好了神经网络各类层、损失函数，让我们快速搭建网络。本篇重点讲解nn.Module以及常用网络层：卷积Conv、池化Pool、全连接Linear。，和opencv、PIL的HWC相反！卷积之后进全连接，一定要flatten展平，否则维度对不上padding的作用：控制特征图尺寸不变，same padding池化层不改变通道数，只缩小高宽。

Beforthing的博客 206

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

第 02/24 期：从线性模型到多层感知机：神经网络的表示能力

本文探讨了线性模型的表达局限，指出其函数族仅能表示超平面边界，无法解决非线性可分问题（如XOR）。通过多层感知机引入非线性激活函数（如ReLU、tanh），网络可构建分段线性或光滑非线性函数，显著提升表示能力。实验表明，单隐藏层MLP在拟合复杂目标函数时优于仿射模型。但需区分表示能力、优化可达性与泛化性能三者：即使模型理论上可逼近任意函数，实际训练仍受初始化、优化路径和样本限制。

weixin_47502228的博客 354

神经网络与深度学习笔记_Day5

神经网络与深度学习笔记_Day5，包含 梯度下降优化方法、学习率衰减策略、正则化 与 ANN案例。 写于2026/02/07。

ZZHow Blog 311

神经网络是如何学习的？（关于损失函数，梯度下降，反向传播，梯度消失详解）

神经网络的学习本质是一场“瞎子下山”的试错游戏：通过前向传播预测，损失函数评分，反向传播计算梯度，梯度下降更新参数，循环数万次。单个神经元如直线分割，难以解决复杂问题（如XOR），但多层感知机（MLP）叠加非线性激活后，可拟合任意复杂边界。损失函数定义“错误”程度，梯度下降则沿最陡方向迭代优化，学习率决定步幅。反向传播利用链式法则高效分配误差责任，但深层网络中梯度逐层衰减，导致“梯度消失”，使浅层参数难以更新。核心在于：模型靠不断试错，在参数空间中寻找最低损失点，最终学会“看懂世界”。

JYF2007ABC的博客 356

ai药物 对应的D-MPNN（有向消息传递神经网络） Chemprop Python 库，实现了 D-MPNN

前 49 讲是通用图机器学习体系；D-MPNN 这一新模块是把消息传递机制"从节点搬到有向边上"，专门为分子性质预测设计的高效变体。学它之前，建议确保已掌握第 3 章 MPNN 的消息传递三要素（消息函数、聚合函数、更新函数），再学 D-MPNN 会非常顺。需要我进一步展开 D-MPNN 的完整数学推导、Chemprop 代码结构，或者帮你制定一份这门课的学习计划（按每天学习时长排期）吗？

AI 前沿技术实战博客：LLM / Agent / AI 制药 / 生信四大栏目日更，硬核干货 + 可复现代码，看完就能上手 343

从“人工智障”到“智能”，没有激活函数的神经网络只是在叠直线

没有激活函数的神经网络仅能表示线性关系，即使堆叠多层也无法拟合复杂非线性模式，导致模型表现如“人工智障”。激活函数（如ReLU）引入非线性，使网络能分段拟合复杂边界，实现从“画直线”到“拼曲线”的跃迁。正确使用激活函数、避免输出层重复激活、合理选择损失函数，是解决模型失效的关键。

JYF2007ABC的博客 414

神经网络与深度学习笔记_Day2

神经网络与深度学习笔记_Day2，包含 张量 与 自动微分。 写于2026/01/21。

ZZHow Blog 121

DeepXDE 物理信息神经网络（PINN）：自动微分嵌入 PDE 求解的计算特征与 UltraLAB 图形工作站选型

单卡显存决定单任务上限，CPU 高主频多核决定试验吞吐。入门者一张 12—16 GB 显卡即可开展研究；做三维反问题与算子学习的团队建议 24 GB 级单卡起步、64 GB 以上内存；需要批量反演与不确定度量化的实验室按"多卡多任务"扩展，并把预算优先给显存与内存，而非盲目堆卡数。DeepXDE 多后端特性使同一环境可服务 TensorFlow/PyTorch/JAX 三类技术栈，部署时注意 CUDA 版本与后端版本的匹配。

194

为什么神经网络经过剪枝后仍能保持较高性能，稀疏性、冗余参数与泛化之间是什么关系？

神经网络之所以能在移除大量参数（甚至高达 90% 以上）后仍保持较高性能，根本原因在于深度模型普遍存在**严重的过参数化（Over-parameterization）**现象。在实际操作中，为了在保持性能的同时实现高稀疏度，通常采用**迭代式剪枝（Iterative Pruning）**策略：先评估权重重要性，移除一部分，微调恢复性能，再循环此过程。稀疏性不仅仅是压缩模型的手段，它通过改变优化景观（Optimization Landscape）和正则化效应，直接提升了模型的泛化能力。

2402_84593233的博客 224

从万物互联到万物智联：6G，下一代数字世界的神经网络

网络 “长眼睛、有大脑”，可以实现厘米级定位、障碍物探测、动态环境识别，支撑自动驾驶、低空无人机、工业机器人、沉浸式XR等业务，也是AI-RAN的底层核心能力新华网。6G的核心目标：万物智联，网络原生具备感知、计算、AI推理能力，服务对象从人、机、物延伸到智能体，覆盖空间从地面拓展到空、天、地、海全域国际科技创...。面向6G通信、通感一体、毫米波 / 太赫兹、信道仿真、相控阵雷达全场景，模块化可扩展SDR平台，是科研院所、通信企业、设备厂商开展6G技术预研、原型开发、标准验证的首选硬件底座。

V3_Bs的博客 233

1,944 Star 的浏览器人声合成器 CHIMERA：不用采样、不用神经网络，靠物理建模“唱”出歌来

开源项目 CHIMERA（1,944 Star/7 天）在浏览器里物理建模了一副完整气道（肺、声带、声道、唇、鼻）：Rust 编译 WASM 跑 AudioWorklet，零采样零神经网络，可拖舌头演奏、按 IPA 说话、钢琴卷帘唱歌、姿态化打 beatbox，还自带鸣禽与大象发声模型。本文拆解其确定性引擎设计、对真人歌手的校准方法与上手命令。

话梅糖の优快云 Blog 278
上一篇： LeeCode刷题记录（JavaScript版）：415. 字符串相加（简单）
下一篇： 2021_On Generating Plausible Counterfactual and Semi-Factual Explanations for Deep Learning
点赞 0
评论 0
书签 书签 0
APythonC
APythonC
博客等级 码龄7年 23粉丝 58原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值